BELIEF：生物医学问答的结构化证据建模和不确定性感知融合

生物医学问答通常需要从检索到的文献中做出决定，这些文献的相关性、质量和对候选答案的支持参差不齐。大多数检索增强的 大语言模型 (LLM) 方法将这些文献作为平面文本输入到模型中，从而在很大程度上隐含了证据的可靠性和剩余的不确定性。我们提出了 BELIEF，一种用于封闭式生物医学问答的结构化证据建模和不确定性感知融合框架。 BELIEF 不是将检索到的文档视为无差别的上下文，而是将它们转换为记录临床属性、源质量、问题相关性、支持强度和相关候选假设的证据对象。这些证据对象为两个互补的推理路径提供了共享基础。符号路径基于 Dempster-Shafer (D-S) 理论在有限答案空间上构建可靠性加权基本概率分配，并执行不确定性感知符号证据融合以估计置信度和剩余不确定性。神经路径使用相同的结构化证据进行基于 LLM 的语义推理，而可靠性感知仲裁模块根据信念强度、不确定性、证据可靠性和语义一致性来协调符号和神经输出。使用五个通用 LLM 主干在 PubMedQA、MedQA 和 MedMCQA 上进行的实验表明，BELIEF 在 30 个主干-数据集-度量设置中的 25 个中获得了最佳结果。与生物医学领域模型的比较表明，BELIEF 在 MedQA 和 MedMCQA 上具有竞争力，而专门的生物医学预训练在 PubMedQA 上仍然具有优势。消融、互补、不确定性分层和成本分析进一步表明，BELIEF 通过使证据结构、路径分歧和决策不确定性变得明确，提高了检索证据的利用率。